常用統(tǒng)計(jì)分析軟件spss-資料下載頁(yè)
2024-10-17 16:58本頁(yè)面
【導(dǎo)讀】2）有完善的數(shù)據(jù)定義、操作和管理功能；3）方便地生成各種統(tǒng)計(jì)圖形和統(tǒng)計(jì)表格；4）使用方式簡(jiǎn)單，有完備的聯(lián)機(jī)幫助功能；運(yùn)行SPSS，自動(dòng)打開(kāi)，運(yùn)行過(guò)程中無(wú)法關(guān)閉；Graphs）、工具欄、數(shù)據(jù)編輯區(qū)、狀態(tài)顯示區(qū)；據(jù)進(jìn)行的；窗口中的數(shù)據(jù)以.sav存于磁盤(pán)上。狀態(tài)欄上的“+”表示當(dāng)前輸出窗口；據(jù)文件的每一行代表一個(gè)個(gè)體。輯數(shù)據(jù)，但不能輸入數(shù)學(xué)表達(dá)式和函數(shù)。數(shù)據(jù)文件，如.xls,.txt等。變數(shù)名，是變數(shù)操控的標(biāo)志;便分類(lèi)變量的輸入和顯示。缺失值限定數(shù)據(jù)的范圍。型），在分類(lèi)匯總等運(yùn)算中有用?？蛇M(jìn)行定位、查找、替換等操作。刪除時(shí)用edit中的cut即可。數(shù)據(jù)視圖工作表中進(jìn)行，剪切、復(fù)制、粘貼，利用數(shù)據(jù)庫(kù)ODBC接口讀取數(shù)據(jù)文件。個(gè)變數(shù)的變量值的升序或降序重新排列。將數(shù)據(jù)行列互換。將數(shù)據(jù)按某種要求重新組織。指定加權(quán)變數(shù)、變數(shù)集的定義和使用。所有軟件都有函數(shù)計(jì)算，SPSS也不例外，缺失值函數(shù)、日期函數(shù)和其他函數(shù)。
【正文】 62 63 64 69 C X 44 48 46 50 59 57 58 53 Y 52 58 54 61 70 64 68 66 【 Analyze】 ， 【 General Linear Model】 ， 【 Univariate】 Dependent Variable框：施肥產(chǎn)量 Fixed Factor[s]框：分組變量 Covariate[s]框：初始產(chǎn)量 Options √Descriptive Statistics Display means for框：分組變量 √Compare Main effects Continue OK 7 回歸和相關(guān)分析 一元線(xiàn)性回歸分析 回歸分析用于描述變數(shù)之間的數(shù)量關(guān)系 ， 確定一個(gè)或幾個(gè)自變數(shù)對(duì)一個(gè)依變數(shù)的影響程度 。 一元線(xiàn)性回歸方程： Y=a+bX 回歸方程的顯著性測(cè)驗(yàn) ， 測(cè)驗(yàn)自變數(shù)與依變數(shù)之間的線(xiàn)性關(guān)系是否顯著 ， 測(cè)驗(yàn)方法有 t 測(cè)驗(yàn)和 F測(cè)驗(yàn)兩種方法 。 一元回歸時(shí) ， F測(cè)驗(yàn)與 t 測(cè)驗(yàn)等價(jià) ， 即 : F=t2，兩種測(cè)驗(yàn)可以相互替代 。 例：許多害蟲(chóng)的發(fā)生都和氣象條件有一定的關(guān)系 。 山東臨沂測(cè)定 1964~1973年 (共年 )間月下旬的溫雨系數(shù) (雨量 mm/平均溫度 ℃ )和大豆第二代造橋蟲(chóng)發(fā)生量 (每百株大豆上的蟲(chóng)數(shù) )的關(guān)系如下表 ， 試建立回歸方程 。 步驟： 【 Analyze】 ， 【 Regression】 ， 【 Linear】 溫雨系數(shù) (X) 蟲(chóng)口密度 (Y) 溫雨系數(shù) (X) 蟲(chóng)口密度 (Y) 180 175 28 40 25 160 117 120 165 80 相關(guān)分析 相關(guān)分析旨在測(cè)度變數(shù)間關(guān)系的性質(zhì)和密切程度 。 以相關(guān)系數(shù) (r)體現(xiàn)兩個(gè)變數(shù)間的線(xiàn)性關(guān)系程度 。 r： [1,+1]； r=1：完全正相關(guān)； r=1：完全負(fù)相關(guān)； r=0：無(wú)線(xiàn)性相關(guān) 。 說(shuō)明：相關(guān)系數(shù)只是較好地度量了兩個(gè)變數(shù)間的線(xiàn)性相關(guān)程度 ， 不能描述非線(xiàn)性關(guān)系 。 步驟 :【 Analyze】 ， 【 Correlate】 ， 【 Bivariate】 多元線(xiàn)性回歸分析 多元回歸方程： Y=b0+b1x1+b2x2+...+bkxk b b bk為偏回歸系數(shù) 。 b1表示在其他自變量保持不變的情況下 ， 自變量 x1變動(dòng)一個(gè)單位所引起的依變數(shù) Y的平均變動(dòng) 。 多元線(xiàn)性回歸分析的主要內(nèi)容： 回歸方程的測(cè)驗(yàn) ， 自變數(shù)的篩選 。 自變數(shù)篩選法： Enter：所選擇的自變數(shù)將全部進(jìn)入建立的回歸方程中 ， 該項(xiàng)為默認(rèn)方式 。 Remove：將進(jìn)入方程中的自變數(shù)剔除 。 Forward：向前篩選法 ， 是自變數(shù)不斷進(jìn)入回歸方程的過(guò)程 。 Backward：向后篩選法 ， 是自變數(shù)逐步剔除出回歸方程的過(guò)程 。 Stepwise：逐步篩選法 ， 是 “ 向前法 ” 和 “ 向后法 ” 的結(jié)合 。 例 . 測(cè)定 “ 豐產(chǎn) 3號(hào) ” 小麥的每株穗數(shù) （ X1） 、每穗結(jié)實(shí)小穗數(shù) （ X2， 主莖 ） 、 百粒重 （ X3， 克 ） 、株高 （ X4， 厘米 ， 主莖 ） 和每株籽粒產(chǎn)量 （ Y， 克 ）的關(guān)系 ， 得結(jié)果如下表 ， 試選擇 Y依 X的最優(yōu)線(xiàn)性回歸方程 。 步驟： 【 Analyze】 ， 【 Regression】 ， 【 Linear】 [enter]：再行選擇 。 曲線(xiàn)擬合 在一元回歸分析中 ， 因變量與自變量 (時(shí)間或其它自變量 )之間的關(guān)系不呈線(xiàn)性關(guān)系 ，但通過(guò)適當(dāng)處理 ， 可以轉(zhuǎn)化為線(xiàn)性模型 。 可進(jìn)行曲線(xiàn)估計(jì) 。 曲線(xiàn)估計(jì)的常用模型 : Y=a+bX(線(xiàn)性擬合 linear) Y=a+b1X+b2X2(二次曲線(xiàn) quadratic) Y=a+b1X+b2X2+b3X3(三次曲線(xiàn) cubic) 步驟： 【 Analyze】 ， 【 Regression】 ， 【 Curve Estimation】 例 1：某地大氣中氰化物測(cè)定結(jié)果如下表所示 ， 試擬合曲線(xiàn) 。 污染距離 X 50 100 150 200 250 300 400 500 氰化物濃度 Y 非線(xiàn)性回歸過(guò)程建立因變量與一組自變量之間的非線(xiàn)性關(guān)系 。 非線(xiàn)性模型可以在自變量與因變量之間達(dá)成某種模型 ， 這些任務(wù)的完成是依靠迭代估計(jì)運(yùn)算獲得 。 步驟 【 Analyze】 【 Regression】 【 Nonlinear】 注意在 【 Model Expression】 框中輸入一個(gè)合適的方程 ， 在該方程中 ， 包括變量 、 參數(shù)和常數(shù)等 。 必須為每個(gè)參數(shù)設(shè)置初始值 。 例 2：測(cè)定水稻品種 IR72籽粒開(kāi)花后不同天數(shù)下的平均單粒重 (Y， mg)， 得結(jié)果于下表 。 試用 Logistic方程描述籽粒增重依開(kāi)花天數(shù)的關(guān)系 。 開(kāi)花后天數(shù) (d) 0 3 6 9 12 15 18 21 24 平均單粒重 (mg) 8 聚類(lèi)分析 Hierarchical Cluster過(guò)程 先將所有 n個(gè)個(gè)體看成不同的 n類(lèi) ， 然后將性質(zhì)最接近 （ 距離最近 ） 的兩類(lèi)合并為一類(lèi) ， 再?gòu)倪@ n1類(lèi)中找到最接近的兩類(lèi)加以合并 。 依此類(lèi)推 ， 直到所有的個(gè)體被合為一類(lèi) 。 最常用的距離（默認(rèn)）為歐氏平方距離。 Kmeans Cluster過(guò)程 快速聚類(lèi) ， 這是一種動(dòng)態(tài)聚類(lèi)方法 ， 適合大樣本的聚類(lèi)分析 ， 能夠快速的將觀(guān)測(cè)量分到各類(lèi)中去 。 9 非參數(shù)檢驗(yàn) 非參數(shù)檢驗(yàn)是不依賴(lài)于總體分布的統(tǒng)計(jì)推斷方法 ， 是指在總體不服從正態(tài)分布且分布情況不明時(shí) ，用來(lái)檢驗(yàn)數(shù)據(jù)資料是否來(lái)自同一總體假設(shè)的一類(lèi)檢驗(yàn)方法 。 由于這些方法一般不涉及總體參數(shù)而得名 。 假設(shè)前提比參數(shù)假設(shè)檢驗(yàn)方法少得多 ， 也容易滿(mǎn)足 ， 適用于計(jì)量信息較弱的資料且計(jì)算方法也簡(jiǎn)便易行 ， 在實(shí)際中備廣泛應(yīng)用 。 Chisquare test 卡方測(cè)驗(yàn) 用來(lái)檢驗(yàn)給定的概率值下數(shù)據(jù)來(lái)自同一總體的無(wú)效假設(shè)的方法。 卡方檢驗(yàn)適用于配合度檢驗(yàn)，只要用于分析實(shí)際頻數(shù)于理論頻數(shù)是否相符。 Binomial test 二項(xiàng)分布檢驗(yàn) 檢驗(yàn)二項(xiàng)分類(lèi)變量是否來(lái)自概率為 P的二項(xiàng)分布。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1